Causal identification for continuous-time stochastic processes
连续时间随机过程的因果识别AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接研究时变处理、连续时间混杂与干预效应识别，因此归入因果推断；股票价格仅作为动机示例。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
连续时间随机过程的因果识别
- 研究问题
- 当处理与结果均以连续时间轨迹变化、且存在连续时间混杂时，如何识别干预效应，并避免离散化时间尺度影响因果结论？
- 方法与思路
- 作者针对一般右连续且有左极限的随机过程，通过正交化与加权建立连续时间因果识别结果，并用三个实例联系离散时间方法。
- 材料陈述的贡献
- 摘要称，论文为连续时间处理与结果关系提供识别结果，并借助实例讨论识别假设的合理性及其与离散时间 g 方法的联系。
- 阅读关注点
- 应核对连续时间干预与目标效应的定义、正交化和加权所需假设，以及实例如何支持这些假设与离散时间方法的对应关系。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实。摘要未说明完整识别条件、估计程序或有限样本表现，不能据此判断实际可用性。
原文摘要
Many real-world processes are trajectories that may be regarded as continuous-time "functional data". Examples include patients' biomarker concentrations, environmental pollutant levels, and prices of stocks. Corresponding advances in data collection have yielded near continuous-time measurements, from e.g. physiological monitors, wearable digital devices, and environmental sensors. Statistical methodology for estimating the causal effect of a time-varying treatment, measured discretely in time, is well developed. But discrete-time methods like the g-formula, structural nested models, and marginal structural models do not generalize easily to continuous time, due to the entanglement of uncountably infinite variables. Moreover, researchers have shown that the choice of discretization time scale can seriously affect the quality of causal inferences about the effects of an intervention. In this paper, we establish causal identification results for continuous-time treatment-outcome relationships for general cadlag stochastic processes under continuous-time confounding, through orthogonalization and weighting. We use three concrete running examples to demonstrate the plausibility of our identification assumptions, as well as their connections to the discrete-time g methods literature.